ELE767 - Apprentissage machine en intelligence artificielle
Ce cours vise à résoudre des problèmes complexes en apprentissage automatique en utilisant les modèles d'intelligence artificielle.
Au terme de ce cours, la personne étudiante sera en mesure de :
développer des concepts autour de modèles de réseaux de neurones afin de résoudre des problèmes complexes de classification et d'extraction de caractéristiques, en intégrant les besoins et contraintes identifiés;
interpréter les résultats d'un modèle d'intelligence artificielle en validant les performances des réseaux de neurones et des techniques de classification dans des applications pratiques;
évaluer les principes de l'apprentissage par renforcement et les stratégies d'optimisation basées sur Q-Learning et Deep Q-Learning;
évaluer l'impact des réseaux de neurones convolutifs (CNN) et des réseaux de neurones récurrents (RNN) dans la reconnaissance de motifs et l'analyse des séries temporelles en utilisant des jeux de données réels dans des applications comme la détection de pathologies et la reconnaissance de la parole;
résoudre des problèmes de classification et d'analyse de données complexes à l'aide de techniques d'apprentissage supervisé et non supervisé, telles que les réseaux compétitifs et les réseaux bayésiens;
développer des solutions efficaces à des problèmes de classification et d'analyse de données à l'aide de techniques d'apprentissage supervisé, telles que les arbres de décision et les forêts aléatoires.
Éléments de contenu : réseaux de neurones. Perceptron et rétropropagation de l'erreur. Réseaux compétitifs avec et sans apprentissage. Apprentissage par renforcement. Réseaux de neurones convolutifs. Réseaux de neurones récurrents. Apprentissage par transfert. Arbres de décision et forêts aléatoires. Réseaux bayésiens. Applications réelles de l'apprentissage automatique, en santé et systèmes intelligents.
